論文の概要: Deep Image Clustering Based on Curriculum Learning and Density Information

• arxiv url: http://arxiv.org/abs/2604.03306v1
• Date: Tue, 31 Mar 2026 02:54:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.49172
• Title: Deep Image Clustering Based on Curriculum Learning and Density Information
• Title（参考訳）: カリキュラム学習と密度情報に基づく深層画像クラスタリング
• Authors: Haiyang Zheng, Ruilin Zhang, Hongpeng Wang,
• Abstract要約: 本稿では,密度情報を用いたモデル学習戦略を画像クラスタリングに導入する。 具体的には、入力データの密度情報に基づくカリキュラム学習方式を、より合理的な学習ペースで設計する。 ベンチマークデータセットにおける最先端クラスタリング手法との比較により,提案手法の優位性を示した。
• 参考スコア（独自算出の注目度）: 10.865555707958057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image clustering is one of the crucial techniques in multimedia analytics and knowledge discovery. Recently, the Deep clustering method (DC), characterized by its ability to perform feature learning and cluster assignment jointly, surpasses the performance of traditional ones on image data. However, existing methods rarely consider the role of model learning strategies in improving the robustness and performance of clustering complex image data. Furthermore, most approaches rely solely on point-to-point distances to cluster centers for partitioning the latent representations, resulting in error accumulation throughout the iterative process. In this paper, we propose a robust image clustering method (IDCL) which, to our knowledge for the first time, introduces a model training strategy using density information into image clustering. Specifically, we design a curriculum learning scheme grounded in the density information of input data, with a more reasonable learning pace. Moreover, we employ the density core rather than the individual cluster center to guide the cluster assignment. Finally, extensive comparisons with state-of-the-art clustering approaches on benchmark datasets demonstrate the superiority of the proposed method, including robustness, rapid convergence, and flexibility in terms of data scale, number of clusters, and image context.
• Abstract（参考訳）: 画像クラスタリングはマルチメディア分析と知識発見において重要な手法の1つである。 近年,特徴学習とクラスタ割り当てを併用して行うディープクラスタリング法(DC)が,画像データ上での従来のクラスタリング性能を上回っている。 しかし,クラスタリング複雑な画像データのロバスト性や性能向上において,モデル学習戦略が果たす役割を考えることは稀である。 さらに、ほとんどのアプローチは、潜在表現を分割するためにクラスタセンターへのポイント・ツー・ポイント距離にのみ依存し、反復的プロセスを通してエラーの蓄積をもたらす。 本稿では,画像クラスタリングに密度情報を用いたモデル学習戦略を導入することを目的とした,ロバストな画像クラスタリング手法(IDCL)を提案する。 具体的には、入力データの密度情報に基づくカリキュラム学習方式を、より合理的な学習ペースで設計する。 さらに、クラスタ割り当てをガイドするために、個々のクラスタセンタではなく、密度コアを使用します。 最後に、ベンチマークデータセットにおける最先端クラスタリング手法との比較により、データスケール、クラスタ数、画像コンテキストにおけるロバスト性、高速収束、柔軟性など、提案手法の優位性を示す。

関連論文リスト

• TDEC: Deep Embedded Image Clustering with Transformer and Distribution Information [10.865555707958057]
  本稿では,TDECと呼ばれる深層画像クラスタリング手法を提案する。 TDECは、画像クラスタリングのための特徴表現、次元的嗜好、ロバストな割り当てを考える。 我々の手法は堅牢で、データサイズ、クラスタの数、コンテキストの複雑さをより柔軟にできます。
  論文  参考訳（メタデータ） (2026-03-23T08:46:42Z)
• Unsupervised Image Classification with Adaptive Nearest Neighbor Selection and Cluster Ensembles [9.338965648455238]
  教師なし画像分類は、ラベルのない画像を意味のあるカテゴリに分類することを目的としている。 ICCEは、ImageNet上で70%を超える精度を持つ、教師なしのイメージ分類法である。 CIFAR10では99.3%、CIFAR100では89%、ImageNetデータセットでは70.4%である。
  論文  参考訳（メタデータ） (2025-11-20T10:34:56Z)
• Self-Enhanced Image Clustering with Cross-Modal Semantic Consistency [57.961869351897384]
  効率的な画像クラスタリングのためのクロスモーダルなセマンティック一貫性に基づくフレームワークを提案する。 当社のフレームワークはまず,クロスモーダルセマンティック一貫性を通じて,強力な基盤を構築します。 最初の段階では、トレーニング済みモデルのリッチなセマンティクスに合わせて、軽量クラスタリングヘッドをトレーニングします。 第2段階では、自己強化微調整戦略を導入する。
  論文  参考訳（メタデータ） (2025-08-02T08:12:57Z)
• Image Clustering with External Guidance [33.664812922814754]
  クラスタリングのコアは、監視信号を構築するために、事前の知識を取り入れている。 本稿では,クラスタリングを誘導する新たな監視信号として外部知識を活用することを提案する。
  論文  参考訳（メタデータ） (2023-10-18T14:20:55Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• Learning the Precise Feature for Cluster Assignment [39.320210567860485]
  表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。 提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。 実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
  論文  参考訳（メタデータ） (2021-06-11T04:08:54Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。